구글, AI 칩 디자인 핵심 부분 학습하는 AI 개발

대부분의 기술영역 처럼 인공지능(AI) 영역도 AI칩을 설계하고 개발하는데 인간보다 AI가 더 빠르고 탁월한 성능을 발휘할 수 있다.

AI 알고리즘을 보다 빠르고 효율적으로 수행하도록 특별히 설계된 칩을 개발하는 데 많은 노력과 자금이 투입되는 이유다. 문제는 인간이 칩을 설계하는 데 몇 년이 소요된다는 점이다. 기계학습(ML) 알고리즘 세계는 그보다 훨씬 빠르게 진화한다. 2 ~ 5년 전의 AI가 아니라 오늘날의 AI에 최적화된 칩이 필요하다.

구글 브레인(Google Brain)이 제안하는 솔루션은 AI칩을 디자인하는 AI ‘Deep RL’ 설계다.

연구팀은 출판 전 논문 사이트 ‘아르시브(Arxiv)’에 올린 연구논문에서 “AI 스스로가 AI칩 설계 주기를 단축하고 하드웨어와 AI 사이에 공생 관계를 형성할 수 있는 수단을 제공 할 수 있다. 서로의 발전에 힘을 실어 줄 것”이라고 밝혔다.

구글 선임 연구과학자 아자리아 미르호세니(Azalia Mirhoseini)는 “우리는 이미 (AI) 가속기들이 2년 전에 설계됐기 때문에 기존 가속기에서 잘 작동하지 않는 알고리즘 또는 신경망 아키텍처가 있음을 이미 보았다. 그 당시에는 이러한 신경망이 존재하지 않았다. 설계 주기를 줄이면 차이를 해소할 수 있다”고 설명했다.

미르호세니와 선임 소프트웨어 엔지니어 안나 골디(Anna Goldie)는 특히 시간이 많이 걸리는 배치(placement)라는 디자인 부분을 하는 신경망을 고안했다.

칩 설계를 충분히 훈련한 AI는 24시간 이내에 구글 텐서 처리유닛(Google Tensor Processing Unit)을 위한 설계를 생산할 수 있다. 이는 전력, 성능 및 면적 측면에서 인간 전문가의 몇 주 동안 설계 노력을 능가한다.

배치는 전력 및 성능이 최대화되고 칩 면적이 최소화되는 방식으로 매크로 및 블록의 논리 및 메모리 블록 또는 클러스터를 배치하는 것을 포함하므로 매우 복잡하고 시간 소모적이다. 도전 과제를 높이는 것은 상호 연결 밀도에 관한 규칙을 준수하면서 동시에 이 모든 일이 발생하는 요구 사항이다.

두 연구자는 칩 배치를 목표로 삼았다. 오늘날의 고급 도구를 사용하더라도 수용 가능한 설계를 생성하는 데 몇 주 동안 전문가의 반복 작업이 필요하기 때문이다. 이들은 심층 강화학습(Deep Reinforcement Learning) 문제로 칩 배치를 모델링했다. 강화학습 시스템은 일반적인 딥러닝(deep learning)과 달리 레이블이 지정된 많은 데이터를 학습하지 않는다. 대신, 성공하면 보상 신호에 따라 네트워크의 매개 변수를 조정해 학습한다. 이 경우 보상은 전력 감소, 성능 개선 및 면적 감소의 조합에 대한 대리 측정이었다. 결과적으로 배치 봇은 디자인이 많을수록 작업이 향상된다.

구글 팀은 AI시스템이 “동일한 기간 동안 더 많은 칩을 설계하고 더 빠르게 실행되고 전력 소비가 적으며 건설 비용이 적게 들고 면적이 적은 칩”을 설계할 수 있기를 희망한다.